CDFM: Towards a General-Purpose Causal Discovery Foundation Model
यह शोध पत्र कॉज़ल डिस्कवरी फाउंडेशन मॉडल (CDFM) को प्रस्तुत करता है, जो एक एकीकृत, सर्व-उद्देश्यीय ढांचा है जो शून्य-शॉट स्ट्रक्चरल इन्फरेंस (zero-shot structural inference) प्राप्त करने के लिए एक सिद्धांत-आधारित वेरिएशनल दृष्टिकोण और सिंथेटिक कॉज़ल मॉडल्स पर व्यापक प्रीट्रेनिंग का लाभ उठाता है, जिससे पारंपरिक डेटासेट-विशिष्ट कॉज़ल डिस्कवरी एल्गोरिदम की स्केलेबिलिटी सीमाओं को दूर किया जा सके।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं: किसने क्या किया? आपके पास सुरागों (डेटा) का एक ढेर है जो दिखाते हैं कि विभिन्न चीजें एक साथ कैसे हुईं, लेकिन आपके पास कोई गवाह नहीं है जो आपको कहानी सुना सके। दशकों तक, जासूसों को हर एक केस के लिए एक विशिष्ट "नियम पुस्तिका" (rulebook) चुननी पड़ती थी। एक नियम पुस्तिका कहती थी, "मान लें कि सब कुछ एक सीधी रेखा है!" दूसरी कहती थी, "मान लें कि शोर अजीब और ऊबड़-खाबड़ है!" यदि आपने गलत केस के लिए गलत नियम पुस्तिका चुनी, तो आपका समाधान बेकार था।
यह पेपर एक नए प्रकार के जासूस से परिचय कराता है: CDFM (Causal Discovery Foundation Model)। एक विशिष्ट नियम पुस्तिका चुनने के बजाय, CDFM एक सुपर-स्मार्ट प्रशिक्षु (apprentice) की तरह है जिसने वास्तविक केस देखने से पहले ही ब्रह्मांड की हर संभव नियम पुस्तिका पढ़ ली है।
पुराना तरीका बनाम नया तरीका
पुराना तरीका ("टेस्ट-ड्रिवन" संघर्ष):
कल्पना कीजिए कि आपके पास एक बिखरा हुआ कमरा (आपका डेटा) है। पुराना तरीका कहता है: "क्या इस बिखराव का कारण बवंडर है? चलिए देखते हैं कि क्या हवा नॉन-गॉसियन (non-Gaussian) थी! क्या यह किसी बिल्ली के कारण है? चलिए देखते हैं कि क्या शोर योगात्मक (additive) है!" आपको दर्जनों अलग-अलग टेस्ट चलाने होते हैं, अनुमान लगाना होता है कि कौन सा फिट बैठता है, और यदि आपका अनुमान गलत निकलता है, तो आपको फिर से शुरुआत करनी पड़ती है। यह धीमा, खंडित है, और जब कमरा बहुत अधिक बिखरा हुआ या अजीब होता है, तो यह टूट जाता है।
नया तरीका (CDFM):
CDFM अनुमान लगाने के खेल को छोड़ देता है। यह बिखरे हुए कमरे को देखता है और कहता है, "मैंने अपने प्रशिक्षण में ऐसे लाखों कमरे देखे हैं।" इसे आपसे यह बताने की आवश्यकता नहीं है कि डेटा लीनियर (linear) है या नॉन-लीनियर (non-linear)। यह बस पैटर्न को देखता है और नक्शा बनाता है कि किसने क्या किया। यह एक "जीरो-शॉट" (zero-shot) जासूस है, जिसका अर्थ है कि यह बिना दोबारा प्रशिक्षित हुए एक बिल्कुल नए प्रकार के रहस्य को सुलझा सकता है।
इसने इतना कुछ कैसे सीखा? ("सिंथेटिक प्लेग्राउंड")
आप सोच सकते हैं, "एक कंप्यूटर कारण और प्रभाव के बारे में सब कुछ कैसे जान सकता है?" लेखकों ने इसे वास्तविक दुनिया का डेटा नहीं खिलाया (जो अव्यवस्थित होता है और जिसमें अक्सर उत्तर गायब होते हैं)। इसके बजाय, उन्होंने एक विशाल, अनंत वीडियो गेम बनाया।
इस गेम में, उन्होंने काल्पनिक दुनिया के 15 अलग-अलग परिवारों को उत्पन्न किया। कुछ दुनियाओं में सीधी-रेखा के नियम थे, कुछ में जंगली, घुमावदार नियम थे, कुछ में पर्दे के पीछे डोर खींचने वाले छिपे हुए "भूतिया" चर (variables) थे, और कुछ में डेटा के टुकड़े गायब थे। उन्होंने इन दुनियाओं के 10 अलग-अलग आकार बनाए, जो 10 वेरिएबल्स वाले छोटे पहेली से लेकर 100 वेरिएबल्स वाले विशाल स्तर तक थे। उन्होंने सुरागों की संख्या भी बदली, जो 500 से लेकर 4,000 ऑब्जर्वेशन तक थी।
CDFM ने इस वीडियो गेम में लंबे समय तक खेला, विभिन्न प्रकार के कारणों के "पदचिह्नों" (footprints) को पहचानना सीखा। इसने सीखा कि यदि कोई पैटर्न एक विशिष्ट प्रकार के शोर जैसा दिखता है, तो वह संभवतः एक प्रकार का कारण है; यदि वह दूसरे जैसा दिखता है, तो वह एक अलग प्रकार का कारण है।
जादू का नुस्खा: "वेरिएशनल इन्फरेंस" (Variational Inference)
यहाँ चालाकी वाला हिस्सा है। पेपर तर्क देता है कि आप केवल उत्तर का अनुमान नहीं लगा सकते; आपको गणितीय रूप से यह सिद्ध करना होगा कि आपका अनुमान ही एकमात्र ऐसा है जो फिट बैठता है। लेखकों ने वेरिएशनल इन्फरेंस नामक एक गणितीय ट्रिक का उपयोग किया।
इसे इस तरह सोचें: CDFM केवल यह नहीं कहता कि "मुझे लगता है कि A ने B को कारण दिया।" यह कहता है, "मैं कल्पना करूँगा कि A ने B को प्रभावित करने के हर संभव तरीके क्या हो सकते हैं, उन सभी को तौलूंगा, और उस एक को चुनूंगा जो डेटा के लिए सबसे अधिक तर्कसंगत है।" यह "नियमों" को छिपे हुए चरों (hidden variables) के रूप में मानता है जिन्हें यह संरचना को समझने के साथ-साथ समझने की कोशिश करता है। यह सुनिश्चित करता है कि यदि गणित कहता है कि एक दिशा असंभव है, तो CDFM उसका अनुमान नहीं लगाएगा।
क्या यह वास्तव में काम आया? (प्रमाण)
लेखकों ने केवल यह नहीं कहा कि "यह अच्छा दिखता है।" उन्होंने इसे तीन तरीकों से परखा:
सिंथेटिक गैंटलेट (The Synthetic Gauntlet): उन्होंने CDFM को उन 15 अलग-अलग प्रकार की नकली दुनियाओं के सामने खड़ा किया जिन्हें अंतिम परीक्षण चरण के दौरान नहीं देखा गया था।
- परिणाम: CDFM जीत गया। 4,000 सैंपल्स के परीक्षण में, इसने 0.888 का AUROC (सटीकता का एक माप जहाँ 1.0 पूर्ण है) प्राप्त किया। अगली सबसे अच्छी विधि, TabCausal, केवल 0.786 ही ला सकी। जब पहेली बहुत बड़ी हो गई (100 वेरिएबल्स), तब भी CDFM 0.87 से ऊपर के AUROC के साथ मजबूत बना रहा, जबकि अन्य विधियाँ विफल हो गईं।
- सीख: यह सुझाव देता है कि CDFM बिना किसी विशिष्ट नियम पुस्तिका के वास्तविक दुनिया जैसे विविध और जटिल स्थितियों को संभाल सकता है।
वास्तविक दुनिया का परीक्षण: उन्होंने इसे वास्तविक डेटा पर आजमाया, जैसे कि एक भौतिक प्रणाली जिसे Causal Chamber कहा जाता है (जहाँ प्रकाश सुरंगें और सेंसर वास्तविक भौतिकी बनाते हैं) और Tübingen बेंचमार्क (वास्तविक दुनिया के जोड़े जैसे "ऊंचाई वजन का कारण बनती है")।
- परिणाम: Causal Chamber Task A1 पर, CDFM ने 0.952 का AUROC प्राप्त किया, जो अगले सर्वश्रेष्ठ (TabCausal 0.930) से बेहतर था। Tübingen बेंचमार्क पर, इसने 67.1% सटीकता प्राप्त की, जो पिछले सर्वश्रेष्ठ 63.8% से अधिक थी।
- सीख: वीडियो गेम में सीखी गई कुशलता वास्तव में वास्तविक जीवन में स्थानांतरित हुई।
"ईमानदारी" की जाँच: लेखक यह सुनिश्चित करना चाहते थे कि CDFM केवल अंधाधुंध अनुमान नहीं लगा रहा है। उन्होंने ऐसी स्थितियों का परीक्षण किया जहाँ, गणितीय रूप से, कोई भी उत्तर नहीं जान सकता (जैसे कि जब दो चीजें पूरी तरह से सममित/symmetrical होती हैं)।
- परिणाम: जब गणित कहता है कि "यह बताना असंभव है," तो CDFM की सटीकता गिरकर 0.5 हो जाती है (जो कि एक सिक्के के उछाल की तरह केवल अनुमान लगाने जैसा है)। जब गणित कहता है कि "यह संभव है," तो इसकी सटीकता बढ़कर 1.0 हो जाती है।
- सीख: यह सुझाव देता है कि CDFM तर्क के नियमों का सम्मान करता है। वह जानता है कि उसे कब उत्तर नहीं जानना चाहिए।
यह क्या नहीं कर सकता (नियम)
पेपर बहुत स्पष्ट है कि CDFM क्या नहीं है।
- यह कोई जादुई छड़ी नहीं है जो धारणाओं (assumptions) की आवश्यकता को समाप्त कर दे। पेपर स्पष्ट रूप से कहता है कि आपके पास कुछ कारण संबंधी धारणाएं होनी ही चाहिए; CDFM बस उन्हें एक एकल धारणा के बजाय एक व्यापक स्पेक्ट्रम के रूप में सीख लेता है।
- यह हर चीज़ में परफेक्ट नहीं है। बहुत विशिष्ट, सरल मामलों में (जैसे कि एक पूरी तरह से लीनियर दुनिया जिसमें नॉन-गॉसियन शोर है), पुराने, विशेषीकृत उपकरण जैसे DirectLiNGAM अभी भी थोड़ा बेहतर प्रदर्शन कर सकते हैं। CDFM एक "जनरलिस्ट" (generalist) है, न कि एक विशिष्ट क्षेत्र के लिए "स्पेशलिस्ट" (specialist)।
- वास्तविक दुनिया के डेटा पर परिणाम विशिष्ट बेंचमार्क (Causal Chamber, Tübingen) पर मापे गए हैं। पेपर यह दावा नहीं करता है कि इसने ब्रह्मांड की हर समस्या के लिए कारण खोज (causal discovery) को हल कर दिया है, केवल यह कि यह बहुत बड़ी रेंज में उल्लेखनीय रूप से काम करता है।
बोनस: छूटा हुआ हिस्सा (Missing Piece)
एक साइड इफेक्ट के रूप में, इसके प्रशिक्षण से CDFM छूटे हुए पहेली के टुकड़ों को भरने में भी बहुत अच्छा हो गया। यदि आप इसे डेटा का एक सेट देते हैं जिसमें छेद (missing values) हैं, तो यह अनुमान लगा सकता है कि गायब संख्याएँ क्या थीं। परीक्षणों में, इसने Mean या KNN जैसे मानक विधियों को पछाड़ दिया, निरंतर डेटा पर 0.452 का Mean Absolute Error (MAE) और असतत (discrete) डेटा पर 0.717 का MAE प्राप्त किया।
निष्कर्ष
यह पेपर एक बड़े बदलाव का सुझाव देता है: प्रत्येक नए प्रकार के डेटा के लिए एक नया, विशिष्ट उपकरण बनाने के बजाय, हम एक विशाल, प्री-ट्रेन्ड मस्तिष्क बना सकते हैं जो कारण और प्रभाव की भाषा को समझता है। यह दुनिया के हर रहस्य को सुलझाने के लिए हल किया गया समाधान नहीं है, लेकिन यह एक ऐसे जासूस की ओर एक बड़ा कदम है जो किसी भी कमरे में जा सकता है, सुरागों को देख सकता है, और कह सकता है, "मैंने इसे पहले देखा है। यहाँ इसका नक्शा है।"
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।